EvoCorps 是一个面向网络舆论去极化的进化式多智能体框架。它并非传统的舆情检测或事后治理工具，而是在模拟环境中将舆论干预建模为一个持续演化的社会博弈过程：系统在传播过程中进行过程内调节，降低情绪对立、抑制极端观点扩散，并提升整体讨论的理性程度。
在 EvoCorps 中，不同智能体分工协作，模拟现实中的多角色舆论参与者，协同完成舆论监测、局势建模、干预规划、基于事实的内容生成与多角色传播等任务。框架内置检索增强的集体认知机制（论据知识库 + 行动—结果记忆），并通过基于反馈的进化式学习，使系统能够随环境变化自适应优化干预策略。
在线社交平台的讨论，往往会在“同质性互动 + 推荐机制”的共同作用下逐步分化；当有组织的恶意账号在早期注入并放大情绪化叙事时，这种分化会被进一步加速。
该图概括了我们关注的动机：从正常交流出发，在恶意攻击介入后，群体讨论可能演化为难以调和的对立。由于情绪传播往往快于事实澄清，等到仅依赖被动检测、事后标记、删除时，讨论轨迹常已经固定，干预效果有限。
现有网络舆论相关技术普遍存在以下局限：
- 以事后检测为主，响应滞后，难以影响传播过程
- 策略静态，难以应对有组织、持续演化的恶意行为
- 缺乏闭环反馈，无法评估干预是否真正改变舆论走向
EvoCorps 的目标，是让舆论干预从“发现问题再处理”转向“在传播过程中持续调节”。
舆论监测 → 局势建模 → 干预策略规划 → 基于事实的内容生成 → 多角色传播 → 效果反馈与策略进化
本项目采用 Analyst、Strategist、Leader、Amplifier 的角色分工，将“规划—生成—传播—反馈”串联为协同干预流程，并在检索增强的集体认知内核支持下复用论据与历史经验。
- ♟️ 角色分工明确的协同干预团队：由分析师、战略家、领袖、扩散者分工协作，把“监测与判断 → 制定策略 → 生成内容 → 多角色扩散 → 效果评估”串成一条可执行的闭环流程，让干预能够在传播过程中持续推进与调整。
- 🧠 检索增强的事实与经验支撑：系统维护证据知识库，并记录每次行动带来的结果；生成内容时优先检索可核查的事实与论据，同时参考历史上更有效的做法，提升内容可靠性与团队一致性。
- 🧬 基于反馈的自适应演化：每轮结束后评估干预是否让讨论更理性、情绪更稳定、观点更温和，并据此强化有效策略、弱化无效策略，使系统在对抗注入和环境变化下逐步学会更合适的应对方式。
我们在 MOSAIC 社交模拟平台上对 EvoCorps 进行了系统评估，并在包含负面新闻传播与恶意信息放大的场景中进行测试。结果表明，在情绪极化程度、观点极端化水平与论证理性等关键指标上，EvoCorps 均优于事后干预方法。
上述图表对比了四种设置下的情绪随时间变化情况：Case 1（仅普通用户自然讨论，无恶意水军也无干预）、Case 2（恶意水军放大偏置信息，无防护）、Case 3（在Case 2基础上采用事后审核）、Case 4（在Case 2基础上由EvoCorps进行实时的、角色协同的主动干预）。虚线表示平台开始注入事实澄清的时间点（第5个时间步）；在对抗放大场景中，缺乏保护或仅事后干预的情绪更难恢复，而 EvoCorps能更早拉住下滑趋势，使讨论更快趋于稳定。
🏠 平台首页 静态与动态模式选择 |
📈 数据监控 查看用户和帖子的详细信息 |
🕸️ 关系图谱 可视化用户、帖子、评论之间的关系网络 |
💬 采访功能 向模拟用户发送问卷问题并收集回答 |
 运行系统并启动恶意攻击、事后干预、舆论平衡等功能 |
🔍 实时分析 实时查看帖子热度、指标变化、干预流程、评论分析 |
EvoCorps/
├── assets/ # 项目资源文件
├── cognitive_memory/ # 认知记忆轨迹（完整周期记录）
├── configs/ # 实验与系统配置
├── data/ # 新闻数据
├── database/ # SQLite 数据库
├── evidence_database/ # 证据数据库与检索配置
├── experiments/ # 实验输出目录
├── frontend/ # 前端可视化界面
├── personas/ # 人设与角色数据库
├── src/ # 核心代码
│ ├── agents/ # Agent 实现
│ ├── config/ # 配置模块
│ ├── database/ # 数据库相关模块
│ ├── main.py # 系统主入口
│ ├── simulation.py # 模拟核心逻辑
│ ├── database_service.py # 数据库服务
│ ├── start_database_service.py # 启动数据库服务
│ ├── keys.py # API 密钥配置
│ ├── multi_model_selector.py # 多模型选择器
│ ├── opinion_balance_launcher.py # 舆论平衡系统启动器
│ ├── opinion_balance_manager.py # 舆论平衡管理器
│ ├── malicious_bot_manager.py # 恶意机器人管理器
│ ├── agent_user.py # 智能体用户
│ ├── post.py # 帖子模块
│ ├── comment.py # 评论模块
│ └── ... # 其他核心模块
├── frontend_api.py # 前端 API 服务
├── requirements.txt # Python 依赖列表
├── safety_prompts.json # 安全提示配置
├── LICENSE # MIT License
├── README.md # Chinese README
└── README_EN.md # English README
使用 Conda：
# 创建 conda 环境
conda create -n EvoCorps python=3.12
conda activate EvoCorps基础依赖安装：
pip install -r requirements.txt在 src/keys.py文件中根据提示填写对应的 API-KEY 与 BASE-URL。并在src/multi_model_selector.py中配置相应的模型。
（示例：在src/keys.py配置deepseek的API-KEY 与 BASE-URL，那么在src/multi_model_selector.py中模型可选择DEFAULT_POOL = ["deepseek-chat"]；在src/keys.py配置gemini的API-KEY 与 BASE-URL，那么在src/multi_model_selector.py中模型可选择DEFAULT_POOL = ["gemini-2.0-flash"]；embedding模型可选择OpenAI的text-embedding-3-large、智谱的embedding-3等）
- 启动后端API服务
# 新建终端
python frontend_api.py- 启动前端开发服务器
# 新建终端，进入frontend目录
cd frontend
npm install # 首次运行需要安装依赖
npm run dev- 访问前端界面
打开浏览器访问 http://localhost:3000 或 http://localhost:3001（根据终端提示的端口）
前端界面提供以下功能：
- 主页：系统概览和快速导航
- 实验设置：配置实验参数和启动服务
- 数据监控：实时查看系统运行状态和统计数据
- 实验管理：保存和加载实验快照
- 关系图谱：可视化用户、帖子、评论之间的关系网络
- 采访功能：向模拟用户发送问卷并收集回答
为确保研究的可复现性与实验透明性，本项目中使用的数据集均已公开发布于 Hugging Face Hub。
| 数据集名称 | 类型 | 主要用途 | 链接 |
|---|---|---|---|
| evocorps-misinformation-news | 新闻文本 | 恶意信息传播场景构建 | https://huggingface.co/datasets/loge2146/evocorps-misinformation-news |
| evocorps-neutral-news | 新闻文本 | 基础传播环境搭建 | https://huggingface.co/datasets/loge2146/evocorps-neutral-news |
| evocorps-positive-personas | 角色数据 | 正向角色身份数据库 | https://huggingface.co/datasets/loge2146/evocorps-positive-personas |
| evocorps-neutral-personas | 角色数据 | 中性角色身份数据库 | https://huggingface.co/datasets/loge2146/evocorps-neutral-personas |
| evocorps-negative-personas | 角色数据 | 消极角色身份数据库 | https://huggingface.co/datasets/loge2146/evocorps-negative-personas |
欢迎研究者与开发者使用上述数据集。如使用，请引用本文论文。
如果您在研究中使用了本项目，请引用我们的论文：
@article{lin2026evocorps,
title={EvoCorps: An Evolutionary Multi-Agent Framework for Depolarizing Online Discourse},
author={Lin, Ning and Li, Haolun and Liu, Mingshu and Ruan, Chengyun and Huang, Kaibo and Wei, Yukun and Yang, Zhongliang and Zhou, Linna},
journal={arXiv preprint arXiv:2602.08529},
year={2026}
}本研究在模拟环境中探讨在线讨论去极化的机制，使用的是公开可获取的数据集以及合成智能体之间的交互过程。研究过程中不涉及任何人类受试者实验，也不收集或处理任何可识别个人身份的信息。本研究的主要目标在于加深对平台治理中协调式干预机制的理解，而非开发或部署具有欺骗性的影响行动。
EvoCorps 被定位为一种治理辅助方法，旨在帮助在线平台应对诸如虚假信息传播或对抗性操纵等有组织、恶意的行为。在此类情境下，平台治理主体本身可能需要具备协同能力和风格多样性，以实现有效且适度的响应。因此，本研究将协调能力与响应多样性视为治理机制进行考察，而非将其作为制造人为共识或操纵舆论的工具。
我们明确反对在任何现实世界部署中使用欺骗性策略。尽管本研究的模拟引入了多样化的智能体角色，用以探索影响力动态的理论边界，但任何实际应用都必须严格遵循透明性与问责原则。自动化智能体应被清晰标识为基于人工智能的助手或治理工具（例如经认证的事实核查机器人），不得冒充人类用户，也不得隐瞒其人工属性。
任何受本研究启发的系统部署，都应当与现有的平台治理流程相结合，并遵循平台特定的政策、透明性要求以及持续审计机制。这些保障措施对于降低潜在的非预期危害至关重要，包括差异化影响、用户信任受损，或由自动化判断引发的错误。本研究中 EvoCorps 的预期用途在于支持负责任、透明且可问责的治理干预，而非误导用户或制造虚假共识。
- 项目主页：GitHub 仓库
- 问题反馈：Issues 页面
- 功能建议：Discussions 页面
如需开展学术交流与合作，例如联合研究、数据与评测基准共建等；或进行商业合作，例如企业与平台的舆情治理方案咨询、定制化多智能体系统研发、私有化部署与技术培训等，欢迎通过上方邮箱联系，我们会尽快回复并进一步沟通需求与合作方式。